El aprendizaje automático puede detectar el cambio climático antropogénico. ¿Qué le parece eso?

Ensayo invitado de Eric Worrall

De acuerdo con la gran computadora, estamos condenados a sufrir extremos climáticos cada vez más dañinos. Pero los investigadores no pueden decirnos exactamente por qué, porque su red neuronal de caja negra no explicará su predicción.

La actividad humana influye en las precipitaciones globales, según un estudio

El calentamiento antropogénico del clima ha sido un factor en los eventos de precipitación extrema a nivel mundial, dicen los investigadores

charlotte burton
mié 7 de julio de 2021 15:00 AEST

Si bien existen diferencias regionales y algunos lugares se están volviendo más secos, Datos de la oficina meteorológica muestra que, en general, las lluvias intensas están aumentando a nivel mundial, lo que significa que los días más lluviosos del año se están volviendo más húmedos. Los cambios en las precipitaciones extremas (el número de días de precipitaciones muy intensas) también son un problema. Estos períodos cortos e intensos de lluvia pueden provocar inundaciones repentinas, con impactos devastadores en la infraestructura y el medio ambiente.

“Ya estamos observando un calentamiento de 1,2 °C en comparación con los niveles preindustriales”, señaló el Dr. Sihan Li, investigador asociado principal de la Universidad de Oxford, que no participó en el estudio. Ella dijo: «Si el calentamiento continúa aumentando, tendremos episodios más intensos de precipitaciones extremas, pero también eventos de sequía extrema».

Li dijo que si bien el método de aprendizaje automático utilizado en el estudio era de vanguardia, actualmente no permitía la atribución de factores individuales que pueden influir en las precipitaciones extremas, como los aerosoles antropogénicos, el cambio de uso de la tierra o las erupciones volcánicas.

El método de aprendizaje automático utilizado en el estudio aprendió solo de los datos. Madakumbura señaló que en el futuro, “podemos ayudar a este aprendizaje imponiendo la física del clima en el algoritmo, de modo que no solo aprenda si la precipitación extrema ha cambiado, sino también los mecanismos, por qué ha cambiado”. “Ese es el siguiente paso”, dijo.

Lee mas: https://www.theguardian.com/environment/2021/jul/07/human-activity-influencing-global-rainfall-study-finds

El resumen del estudio;

Influencia antropogénica en las precipitaciones extremas sobre áreas terrestres globales observadas en múltiples conjuntos de datos de observación

Gavin D Madakumbura, Chad W. Thackeray, jesse norris, Noemí Goldenson & alex hall

La intensificación de las precipitaciones extremas bajo el forzamiento antropogénico está fuertemente proyectada por los modelos climáticos globales, pero es muy difícil de detectar en el registro de observación. La gran variabilidad interna distorsiona esta señal antropogénica. Los modelos producen diversas magnitudes de respuesta de la precipitación al forzamiento antropogénico, en gran parte debido a los diferentes esquemas para parametrizar los procesos a escala secundaria. Mientras tanto, existen múltiples conjuntos de datos observacionales globales de precipitación diaria, desarrollados utilizando diversas técnicas y datos muestreados de manera no homogénea en el espacio y el tiempo. Los intentos anteriores de detectar la influencia humana en las precipitaciones extremas no han incorporado la incertidumbre del modelo y se han limitado a regiones específicas y conjuntos de datos de observación. Utilizando métodos de aprendizaje automático que pueden dar cuenta de estas incertidumbres y que son capaces de identificar la evolución temporal de los patrones espaciales, encontramos una señal antropogénica físicamente interpretable que es detectable en todos los conjuntos de datos observacionales globales. El aprendizaje automático genera de manera eficiente múltiples líneas de evidencia que respaldan la detección de una señal antropogénica en la precipitación extrema global.

Lee mas: https://www.nature.com/articles/s41467-021-24262-x

Como experto en TI que ha construido sistemas comerciales de IA, me parece increíble que los investigadores parezcan tan ingenuos como para pensar que la producción de su máquina de IA tiene valor, sin evidencia que lo corrobore. Admiten que van a tratar de entender cómo funciona su IA, pero en mi opinión se han apresurado, haciendo grandes afirmaciones sobre la base de un resultado de caja negra.

Considera lo siguiente;

Amazon abandonó la herramienta de reclutamiento de IA que favorecía a los hombres para trabajos técnicos

Los especialistas habían estado construyendo programas de computadora desde 2014 para revisar los currículos en un esfuerzo por automatizar el proceso de búsqueda.

Los especialistas en aprendizaje automático de Amazon descubrieron un gran problema: a su nuevo motor de reclutamiento no le gustaban las mujeres.

Pero en 2015, la empresa se dio cuenta de que su nuevo sistema no calificaba a los candidatos para trabajos de desarrollador de software y otros puestos técnicos de manera neutral en cuanto al género.

Esto se debe a que los modelos informáticos de Amazon fueron entrenados para examinar a los solicitantes mediante la observación de patrones en los currículos enviados a la empresa durante un período de 10 años. La mayoría provino de hombres, un reflejo del dominio masculino en la industria tecnológica.

En efecto, el sistema de Amazon se enseñó a sí mismo que los candidatos masculinos eran preferibles. Penalizaba los currículos que incluían la palabra “femenino”, como en “capitana de club de ajedrez femenino”. Y degradó a las graduadas de dos universidades exclusivamente para mujeres, según personas familiarizadas con el asunto.

Amazon editó los programas para hacerlos neutrales a estos términos particulares. Pero eso no era garantía de que las máquinas no idearan otras formas de clasificar a los candidatos que pudieran resultar discriminatorias, dijeron las personas.

Lee mas: https://www.theguardian.com/technology/2018/oct/10/amazon-hiring-ai-gender-bias-recruiting-engine

En retrospectiva, es obvio lo que sucedió. Se le dijo a Amazon AI que intentara seleccionar a los candidatos más adecuados, y notó que se aceptaban más candidatos masculinos para trabajos técnicos, probablemente porque había más candidatos masculinos postulando. Por lo que concluyó que los hombres son más aptos para trabajos técnicos.

Es importante tener en cuenta que este sesgo masculino en los trabajos técnicos es puramente un problema cultural occidental. Cuando visité una tienda de desarrollo de software en Taipei, había tantas mujeres como hombres desarrollando software. Las mujeres que he conocido, en las tiendas de TI occidentales y en esa tienda de TI en Taipei, eran tan inteligentes y técnicamente capaces como cualquier hombre. De alguna manera estamos persuadiendo a nuestras mujeres para que no sigan carreras técnicas.

Lo que quiero decir es que, cuando los científicos liberan una IA de caja negra en un conjunto de datos, no tienen forma de saber si el resultado de esa IA es lo que creen que es, hasta que minuciosamente la destrozan para determinar exactamente cómo se formó. sus conclusiones.

Los científicos del clima creen haber descubierto una importante influencia antropogénica camuflada. O pueden haber descubierto un gran sesgo oculto en sus datos o modelos. Para ser justos, admiten que podría haber problemas con sus datos de entrenamiento y los modelos climáticos que utilizan para predecir qué condiciones habrían sido sin la influencia antropogénica. “… Además, los GCM de entrenamiento podrían estar submuestreando la variabilidad natural de baja frecuencia, como la variabilidad multidecadal del Atlántico y la oscilación decadal del Pacífico. …“. Esta admisión debería haber sido su titular.

Hasta que rompan su sistema de caja negra, averigüen exactamente cómo su IA está llegando a su conclusión y presenten el método real para su revisión, el método que actualmente está oculto dentro de su IA, parece notablemente prematuro hacer un gran anuncio, solo porque les gusta el aspecto de su resultado.

4.6
20
votos

Calificación del artículo

Deja un comentario